许可协议：apache-2.0
标签：

• pytorch
• diffusers
• 无条件图像生成

去噪扩散概率模型（DDPM）

论文：去噪扩散概率模型

作者：Jonathan Ho、Ajay Jain、Pieter Abbeel

摘要：

我们利用扩散概率模型（一类受非平衡热力学启发的潜变量模型）生成了高质量的图像合成结果。通过在加权变分界上进行训练，根据扩散概率模型与基于Langevin动力学的去噪分数匹配之间的新颖联系设计，我们获得了最佳结果。我们的模型自然地支持渐进式有损解压缩方案，可视为自回归解码的泛化。在无条件CIFAR10数据集上，我们获得了9.46的Inception分数和当前最优的3.17 FID分数。在256x256 LSUN数据集上，我们获得了与ProgressiveGAN相当的样本质量。

推理

DDPM 模型可以使用以下离散噪声调度器进行推理：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

需要注意的是，虽然ddpm调度器能提供最高质量的结果，但耗时也最长。
若要在质量和推理速度之间取得良好平衡，可以考虑使用ddim或pndm调度器。

参考以下代码：

# !pip install diffusers  
from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline  

model_id = "google/ddpm-ema-celebahq-256"  

# 加载模型和调度器  
ddpm = DDPMPipeline.from_pretrained(model_id)  # 可用DDIMPipeline或PNDMPipeline替换DDPMPipeline以加速推理  

# 运行推理流程（采样随机噪声并去噪）  
image = ddpm().images[0]  

# 保存图像  
image.save("ddpm_generated_image.png")  

更多详细信息，请参阅官方推理示例。

训练

如需训练自己的模型，请参考官方训练示例。

样本